Plazas limitadas: 15
Diploma con valor curricular SEP SEEM 17DAP69522
Docentes especialistas
Diplomado de Actualización Profesional en Inteligencia de Negocios con RStudio
Inicio
9 de mayo de 2026
Concluye
24 de octubre de 2026
Horario clases online
Sábados de 9:00am a 11:00am
Duración
200 hrs./12.5 créditos
Intensivo y Especializado
Nivel Avanzado
Orientado a investigación aplicada y posgrado
Destinado a público académico, investigador y profesional
Eminentemente práctico
Pasos para reservar tu lugar. Limitado a 15 plazas:
- Realiza el registro en el formulario.
- Te contactaremos por whatsapp para seguir con el proceso.
- Te solicitaremos el pago de inscripción y la documentación correspondiente (curp, ine y título o cédula mínimo de licenciatura).
Opciones de Inversión
¿A QUIÉN VA DIRIGIDO?
Público académico, investigador, profesional.
¿POR QUÉ ESTUDIARLO?
| Sector | ¿En qué lo pueden ocupar? | Valor que aporta |
|---|---|---|
| Empresas y Negocios | Análisis de ventas, costos y clientes; construcción de KPIs y dashboards automatizados. | Mejores decisiones estratégicas basadas en datos. |
| Sector Salud | Integración de datos clínicos y administrativos; monitoreo de indicadores hospitalarios. | Optimización de recursos y mejora en la gestión de servicios. |
| Marketing y Ventas | Evaluación de campañas, segmentación de clientes y medición de ROI. | Campañas más efectivas y mejor uso del presupuesto. |
| Gobierno / Administración Pública | Evaluación de programas, seguimiento de indicadores y generación de reportes institucionales. | Transparencia, rendición de cuentas y planeación informada. |
| Academia e Investigación | Análisis de bases de datos estadísticas; elaboración de reportes y resultados reproducibles. | Rigor metodológico y soporte para tesis y publicaciones. |
| TI / Equipos de Datos | Desarrollo de procesos ETL, automatización de flujos y dashboards con R. | Procesos escalables y reutilizables sin depender de licencias costosas. |
| Finanzas y Planeación | Análisis financiero histórico y proyecciones para planeación presupuestal. | Mejor control financiero y toma de decisiones anticipada. |
¿QUÉ REQUISITOS DEBO DE CUMPLIR PARA TOMAR ESTE DIPLOMADO?
- Tener conocimientos al menos básicos de lenguaje R
- Tener conocimientos de estadística básica
- Tener titulo o cédula profesional, mínimo licenciatura
¿CUÁL ES EL OBJETIVO?
Aplicar las herramientas que permiten analizar e interpretar la información y realizar previsiones y pronósticos dentro del ámbito del business intelligence para predecir resultados efectivos y tomar decisiones acertadas presentando los resultados obtenidos mostrándolos en reportes estáticos y dinámicos, estableciendo relaciones entre estrategias y metas con cuadros de mando integral y definiendo indicadores KPIs para la implantación estratégica.
APRENDE A:
- Lenguaje R de cero a avanzado
- A trabajar grandes bases de datos
- Aplicar algoritmos predictivos y de clasificación
- A crear reportes automatizados con gráficos avanzados
- A crear gráficos avanzados e interactivos
- A realizar dashboards interactivos
- A generar sistemas de Business Intelligence y crear indicadores KPI
- A utilizar de forma práctica sistemas de Balanced Scorecard
FORMA DE TRABAJO:
El trabajo semanal es de 10 horas aproximadas durante 20 semanas.
- 2 horas de clase en vivo prácticas de estudio del temario de la semana.
- 6 horas de estudio en plataforma 24/7 con material.
- 2 horas de ejercicios prácticos de evaluación continua.
DOCENTES ESPECIALISTAS
Dra. Julia Guadalupe Juárez Hernández es doctora en Ciencias Computacionales por el CENIDET. Es Maestra en Ciencias Computacionales por el CENIDET, donde obtuvo el mejor promedio de su generación y del programa, y Licenciada en Ingeniería de Telemática por la Universidad Politécnica de San Luis Potosí. Ha participado como ponente en eventos académicos en México, Colombia y España, y ha asistido a congresos de alto impacto como ANUIES-TIC, CIMPS, ENC y REDMISOFT.
Cuenta con diversas certificaciones en áreas como Gestión de Proyectos, Diseño de Investigación y Análisis de Datos con R, Procesamiento de Lenguaje Natural, Fundamentos de Scrum, así como certificaciones técnicas en Oracle Solaris, Microsoft Networking Fundamentals y Office Specialist, además de dominio del idioma inglés.
En el ámbito profesional, ha desempeñado funciones docentes en INFOTEC y como profesora de cátedra en el Tecnológico de Monterrey. También ha sido responsable del área de sistemas en Contratista de Caminos S.A. de C.V., desarrolladora de software en Innovaciones Estratégicas para la Productividad, y líder de proyecto en el Centro Nacional de Supercómputo del IPICYT. Su producción académica incluye diversas publicaciones en memorias de congresos, artículos científicos y capítulos de libro.
M.C. Juan Antonio Miguel Ruiz es Ingeniero en Informática por la Universidad Politécnica del Estado de Morelos (UPEMOR) y Maestro en Ciencias Computacionales por el Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET). Posee experiencia en el desarrollo Full Stack de soluciones tecnológicas aplicadas a IoT, ciudades inteligentes y análisis de datos, así como en el diseño de modelos de machine learning en salud.
Ha colaborado como coinvestigador en iniciativas de alto impacto, entre ellas el proyecto “Modelos de predicción de riesgo para cáncer de cuello uterino en mujeres mexicanas de un hospital del tercer nivel de atención”, en conjunto con el Instituto Nacional de Salud Pública (INSP) y el Hospital General de México, financiado por el Centro de Inteligencia Artificial y Salud para América Latina y el Caribe (CLIAS). Su línea de investigación incluye una estancia en el Centro de Investigación sobre Enfermedades Infecciosas (CISEI-INSP), donde aplicó IA al análisis genómico.
En el ámbito académico, es profesor adjunto en el Colegio Universitario Científico de Datos (COCID), impartiendo la asignatura Reconocimiento de formas y aprendizaje computacional. Su labor docente se distingue por integrar la teoría con la práctica a través de proyectos en aprendizaje profundo, clasificación y predicción.
En su trayectoria profesional ha impulsado desarrollos tecnológicos en salud y sistemas inteligentes. Destacan su participación en el proyecto ClaroColombia con Iprogrammers, su rol en el Proyecto de Medición y Cálculo del Gasto Energético en el CENIDET, y su colaboración actual en la caracterización de genes V en el INSP.
Su producción académica abarca artículos científicos y ponencias internacionales, con publicaciones en revistas como Programming and Computer Software y en conferencias como CONISOFT, CIMPS y CSCI. Además, ha impartido cursos y talleres especializados, como Introducción al mundo Arduino y Uso de machine learning en proyectos de salud.
Cuenta con certificaciones en AWS Cloud Practitioner, CCNA (1–4 y Security), Linux y Aprendizaje Automático, así como formación complementaria en Docker, React Native y análisis de datos con R. Su perfil combina investigación aplicada, innovación tecnológica y docencia, consolidándose como un profesional comprometido con la transferencia de conocimiento y el impacto social.
Ingeniero en Sistemas Computacionales por parte del Instituto Tecnológico de Zacatepec y Maestro en Ciencias de la Computación por el Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET).
Cuenta con experiencia profesional como E-Commerce Manager, Netmanager y desarrollador Full Stack de sistemas RIS | PACS y sistemas con tecnología Salesforce.
Además, ha participado en proyectos de minería de datos y ciencia de datos. Cuenta con certificación en SCRUM y Google Cloud Essentials y Generative AI.
También cuenta con más de 6 años de experiencia impartiendo clases a nivel licenciatura, sobre ciencias exactas, métodos de investigación, seminario de titulación, bases de datos, redes de computadora, entre otras materias.
Actualmente es estudiante del Doctorado en Ciencias de la Computación en la especialidad de Inteligencia Artificial en el CENIDET.
Temario
Módulo I.
Introducción al lenguaje R y su IDE Rstudio.
Tema 1. Conceptos básicos para el manejo de la información y el uso de objetos en R.
1.1. Instalación de R y Rstudio.
1.2. Elementos de la interfaz de Rstudio.
1.3. Objetos en R.
1.4. Estructuras de Información.
1.5. Comandos para generar y acceder a objetos en R.
Tema 2. Entorno de trabajo y elementos básicos en R.
2.1. Estructura de códigos y comandos en R.
2.2. Crear y guardar Scrips en Rstudio.
2.3. Generar tareas a partir de scrips.
2.4. Acceder a datos de archivos CSV y Excel.
Tema 3. Uso de paqueterías y elementos externos.
3.1. Descargar paqueterías desde CRAN.
3.2. Activar paqueterías y acceder a funciones de paqueterías.
3.3. Diferencia entre funciones locales y externas.
3.4. Estructura general de una función en R.
3.5. Crear funciones para la realización de tareas en R.
Módulo II.
Herramientas para la administración de grandes bases de datos en R y Rstudio.
Tema 1. Cargar y almacenar información a R.
1.1. Generar Vectores, Data Frames, Listas y Matrices para almacenar información.
1.2. Herramienta del accesor para cada una de las estructuras de datos disponibles.
1.3. Operaciones básicas con el accesor a diferentes estructuras de datos.
Tema 2. Administración de bases de datos con las paqueterías dplyr y tydir.
2.1. Instalación de dplyr y tidyr.
2.2. Función Select y Filter.
2.3. Función Group By y Summarise.
2.4. Funciones de tipo Join.
2.5. Combinar funciones para tareas más complejas.
2.6. Función Gather y Spread para acomodar tablas.
Tema 3. Herramientas de procesos ETL y la generación de cubos OLAP en R.
3.1. Introducción a los cuadros OLAP.
3.2. Estructurar la información en forma de Cubos OLAP en R.
3.3. Acceder a la información de Cubos OLAP en R.
3.4. Realizar consultas avanzadas en R.
Módulo III.
Uso de algoritmos para el análisis y control de grandes bases de datos.
Tema 1. Estadística descriptiva e inferencial aplicada a negocios.
1.1. Medidas de Tendencia Central en R.
1.2. Medidas de dispersión en R.
1.3. Uso combinado de procesos ETL con Estadística Descriptiva.
Tema 2. Algoritmos Predictivos aplicados a los negocios.
2.1. Regresión Lineal Simple y múltiple en R.
2.2. Regresiones no Lineales: Polinómica, LOESS, y Métodos Aditivos Generalizados.
2.3. Árboles de regresión en R.
Tema 3. Algoritmos de clasificación aplicados a los negocios.
3.1. Algoritmo Nayve Bayes para clasificar series.
3.2. Regresión Logit y Probit.
3.3. Árboles de clasificación en R.
3.4. Random Forest aplicados a la clasificación.
Módulo IV
Visualización avanzada de datos y reportes automatizados.
Tema 1. Gráficas Avanzadas con ggplot y plotly.
1.1. Introducción al uso de Gráficas en R.
1.2. Descargar y usar funciones de ggplot.
1.3. Uso de las gráficas de acuerdo con el tipo de análisis e información disponible.
1.4. Interactividad en una gráfica con plotly en conjunto con ggplot.
Tema 2. Gráficas Interactivas para series de tiempo con dygraph.
2.1. Estructura de datos adecuada para gráficas de series de tiempo.
2.2. Uso de ggplot y plotly para gráficas de series de tiempo.
2.3. Uso avanzado con dygraphs para gráficas series de tiempo.
2.4. Elementos adicionales para graficar con dygraph.
Tema 3. Visualización interactiva de datos con Highchart.
3.1. Introducción a la paquetería highchart.
3.2. Graficar sectores de manera interactiva con gráficas de pastel.
3.3. Clases de Graficas y sus diferentes aplicaciones en highchart.
3.4. Elementos adicionales de highchart para generar gráficas avanzadas e interactivas.
Tema 4. Dashboards interactivos con Shiny y Shiny Dashboards.
4.1. Introducción a la paquetería shiny, y a shinydashboard.
4.2. Estructura general de las aplicaciones tipo shiny.
4.3. Uso de gráficas interactivas para generar indicadores clave con la información disponible.
4.4. Uso combinado de la administración de bases de datos con el uso de Dashboards Interactivos en R.
Módulo V
Generación y gestión de sistemas BI para la empresa.
Tema 1. Importancia del manejo de la información empresarial en tiempo real.
1.1. Introducción al uso de Sistemas BI y tableros dinámicos dentro de la empresa.
1.2. Gestión y administración de bases de datos aplicado a la toma de decisiones.
1.3. Importancia de la gestión de la información en tiempo real para la toma de decisiones.
1.4. Casos de aplicación de sistemas BI para las diferentes áreas.
Tema 2. KPIs: Indicadores Clave de Rendimiento enfocados al análisis y monitoreo de la información.
2.1. Introducción a los Indicadores Clave de Rendimiento (KPI´s).
2.2. KPIs aplicados al monitoreo de políticas y promociones.
2.3. Pasos para generar adecuados KPIs de acuerdo con el tipo de actividad y la duración de la información.
2.4. Herramientas en R para generar y representar visualmente los KPIs de la empresa.
Tema 3. Balanced Scoreboard para la toma de decisiones empresariales.
3.1. ¿Qué es un Balanced Scoreboard y cómo se puede usar para el monitoreo de la información?
3.2. Elementos que hay que considerar en la generación de Dashboards para los Balanced Scorecards.
3.3. Puntos Importantes para generar dashboards armónicos.
Tema 4. Ejemplo práctico de un Balanced Scoreboard.
4.1. Ejercicio 1: Con una base de datos, se generarán los diferentes indicadores para diferentes áreas de la empresa.
4.2. Ejercicio 2: Generamos el espacio donde estarán los indicadores de manera visual.
4.3. Ejercicio 3: Integración de los 2 ejercicios anteriores en un único espacio tipo Dashboard que integre el Cuadro de Control Integral para la información.
Diplomado Inteligencia de Negocios con R
